Especialización en Analítica y Ciencia de Datos · 2026
Modelo prescriptivo de ciencia de datos para la optimización de la renovación documental (SOAT/RTM) y la mitigación del riesgo de accidentalidad vial en medellín
Solo ficha. El repositorio marca este trabajo como «Acceso abierto»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
El incumplimiento en la renovación del Seguro Obligatorio de Accidentes de Tránsito (SOAT) y la Revisión Técnico-Mecánica (RTM) representa un riesgo significativo para la seguridad vial en Medellín. Este trabajo desarrolla un modelo prescriptivo de ciencia de datos que integra el historial de comparendos por infracción documental (códigos de infracción de tránsito D02 y C35) con los registros de vencimiento vehicular del sistema registro paso, con el objetivo de predecir qué vehículos incumplirán la renovación y optimizar las campañas de intervención preventiva. La metodología combina técnicas de segmentación no supervisada —K-Means, Fuzzy C-Means, Gustafson-Kessel y Kernel Fuzzy C-Means— con modelos de clasificación supervisada —regresión logística, Random Forest y XGBoost, optimizados mediante Optuna— para identificar perfiles de riesgo y priorizar acciones. Los datos analizados corresponden al período 2024–2026 y comprenden más de 330.000 vehículos registrados en la ciudad. Los resultados preliminares indican que el 4,2% de los vehículos presenta SOAT vencido y el 5,8% RTM vencido al corte del 1 de mayo de 2026, con una concentración del incumplimiento en el segmento de motocicletas. El enfoque prescriptivo propuesto permite migrar de un modelo reactivo basado en la sanción hacia uno preventivo que focaliza recursos de manera eficiente.